科技產業報訂閱
Advantechline
 

善用邊緣運算做好數據過濾 才能展現物聯網經濟效益

高品質的數據能讓工廠做出正確的數據驅動決策。法新社

儘管業界預計物聯網(IoT)和工業物聯網(IIoT)項目將快速成長,但仍有一些重大挑戰需克服,方能贏得客戶信任,將先導項目轉化為大規模IoT部署。除了連通性限制、安全風險和數據偏見,數據品質對實施有效IoT項目也很重要。而邊緣運算能在本地清理和格式化髒數據,能大幅改善數據品質。

根據IoT Now報導,企業使用的數據若正確且適合當前用例,就肯定會做出正確的數據驅動決策。品質差的數據實際上毫無用處,且會導致嚴重問題,例如不正確的機器學習模型、決策或投資回報率不足。具體而言,隨著人工智慧(AI)和機器學習應用增加,垃圾數據進出的經典問題再次浮出水面。

高品質的數據饋送、訓練和調整機器學習模型,能讓導入IoT的工廠得以做出明智的數據驅動決策。在高品質數據集上進行訓練的預測性機器學習模型可在重大問題出現前檢測潛在故障,以最大限度地提高設備的可靠性。

但髒數據(dirty data),包括丟失、不完整或易出錯的數據,會讓組織犯下費時且昂貴的錯誤。因此,組織須採用方法論來確保其數據流的完整性、有效性、一致性和正確性。

事實上,邊緣運算對數據品質有很大影響。工業感測器有許多不同類型,並收集大量、多樣和高速的數據。組織若能成功地調整、清理、豐富和融合這些數據流,則能顯著提高其營運效率、運行狀況和安全性。但要繪製完整準確的工廠營運圖,組織須收集、結合和處理由這些遠距數據源提供的原始見解。

邊緣運算在這些類型的環境中蓬勃發展,因其能從一開始就收集和處理即時數據,然後在數據中創建結構以辨識價值。啟用邊緣運算的機器有助於在本地清理和格式化髒數據,從而改善了對準確有效的機器學習模型的培訓和部署。

啟用邊緣運算的方案能將即時機器數據轉換為與生產效率和品質指標有關的可操作見解。營運經理可藉此減少計劃外停機、提高產量及機器利用率。隨著邊緣解決方案使用即時數據處理和分析將原始的感測器數據流轉化為可操作的見解,許多組織開始認識到邊緣運算可為其IoT和IIoT項目帶來的價值。

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 工業物聯網